理工学研究科Graduate School of Science and Engineering
COT500X4(計算基盤 / Computing technologies 500)データサイエンス特論Data Science
堤 瑛美子Emiko TSUTSUMI
授業コードなどClass code etc
学部・研究科Faculty/Graduate school | 理工学研究科Graduate School of Science and Engineering |
添付ファイル名Attached documents | |
年度Year | 2024 |
授業コードClass code | YC009 |
旧授業コードPrevious Class code | |
旧科目名Previous Class title | |
開講時期Term | 秋学期授業/Fall |
曜日・時限Day/Period | 水4/Wed.4 |
科目種別Class Type | |
キャンパスCampus | 小金井 / Koganei |
教室名称Classroom name | 小西館‐W001 |
配当年次Grade | |
単位数Credit(s) | 2 |
備考(履修条件等)Notes | |
実務経験のある教員による授業科目Class taught by instructors with practical experience | |
カテゴリーCategory | システム理工学専攻 |
すべて開くShow all
すべて閉じるHide All
Outline (in English)
This course provides an overview of the methods of Bayesian approaches, which have attracted particular attention in the fields of data science and artificial intelligence in recent years.
The goal is to understand the fundamentals of Bayesian statistics, its history, approach, and relationship with other methods.
Before/after each class meeting, students will be expected to spend four hours to understand the course content. Your overall grade in the class will be decided based on the following Examination: 40%、Assignments: 40%, in class contribution: 20%.
授業で使用する言語Default language used in class
日本語 / Japanese
授業の概要と目的(何を学ぶか)Outline and objectives
近年、データサイエンス、人工知能分野で特に注目されているベイズ的アプローチの基礎、考え方、手法の概論について学ぶ.概論的に理解することを重視し、歴史や考え方、他手法との関係を俯瞰的に理解する.
到達目標Goal
ベイズ機械学習を完全に数学的に理解し、プログラム作成ができるようにするための授業ではない。数式やアルゴリズムの意味、応用例を体系的に理解することを目的とします。
この授業を履修することで学部等のディプロマポリシーに示されたどの能力を習得することができるか(該当授業科目と学位授与方針に明示された学習成果との関連)Which item of the diploma policy will be obtained by taking this class?
ディプロマポリシーのうち、「DP1」「DP2」に関連
授業で使用する言語Default language used in class
日本語 / Japanese
授業の進め方と方法Method(s)(学期の途中で変更になる場合には、別途提示します。 /If the Method(s) is changed, we will announce the details of any changes. )
この講義では、データサイエンスの基礎としてベイズ機械学習を中心に講義を行う。ある程度数学の知識が必要となる。Pythonなどを用いたプログラム作成を課題とすることもある。レポートや小テストの講評は学習支援システムを通じて行う。すべての授業でスライドを用意し、復習予習に備える。必要に応じてオンライン講義を併用する。
アクティブラーニング(グループディスカッション、ディベート等)の実施Active learning in class (Group discussion, Debate.etc.)
なし / No
フィールドワーク(学外での実習等)の実施Fieldwork in class
なし / No
授業計画Schedule
授業形態/methods of teaching:対面/face to face
※各回の授業形態は予定です。教員の指示に従ってください。
[1][対面/face to face]:ガイダンス
講義の進め方,ベイズ統計の基礎を簡単に説明する
[2][対面/face to face]:ベイズ統計
ベイズ統計の基礎・アイデア
[3][対面/face to face]:ベイズ統計と人工知能
ベイズ統計と人工知能の関わり
[4][対面/face to face]:ベイズ統計の歴史
ベイズ統計の歴史
[5][対面/face to face]:ベイズの定理
ベイズの定理、確率統計基礎
[6][対面/face to face]:ベイズの定理の応用(1)
確率分布、周辺確率
[7][対面/face to face]:ベイズの定理の応用(2)
勾配上昇法,ニュートン・ラフソン法
[8][対面/face to face]:機械学習・尤度推定
機械学習モデルの最尤推定法
[9][対面/face to face]:機械学習・ベイズ推定(1)
事後分布最大化推定法(EAP法)
[10][対面/face to face]:機械学習・ベイズ推定(2)
マルコフ連鎖モンテカルロ法(MCMC法)
[11][対面/face to face]:ベイズ推定応用例
ベイズ推定法の実応用例の紹介
[12][対面/face to face]:ベイジアンネットワーク
ベイジアンネットワークの基礎
[13][対面/face to face]:ベイジアンネットワークと機械学習
マルコフネットワーク、深層学習モデルの紹介
[14][対面/face to face]:テストと総括
試験またはレポート作成,授業の総括
授業時間外の学習(準備学習・復習・宿題等)Work to be done outside of class (preparation, etc.)
本授業の準備・復習等の授業時間外学習は 4 時間を標準とする。
教科書やスライドで復習し,課された課題を指定された日時までに提出する。
テキスト(教科書)Textbooks
原則,講義スライドを用いる。
参考書References
ベイジアンネットワーク、植野真臣、コロナ社
https://www.coronasha.co.jp/np/isbn/9784339061031/
成績評価の方法と基準Grading criteria
成績は,平常点(20%)講義中に課されるレポート(40%)と最終試験または最終レポート(40%)で評価します。
ベイズ機械学習の概念を理解しているかどうかを評価基準とします。
学生の意見等からの気づきChanges following student comments
なし
学生が準備すべき機器他Equipment student needs to prepare
貸与パソコン
その他の重要事項Others
授業資料は授業支援システム等から公開します。
授業を理解するには、論理的な考え方を習得している必要があります。